Дискретно-непрерывная математика. Кн. 0 : Алгоритмы. Ч. Генетические алгоритмы

 
 
 
Рис. 5.80. 
Итоговая фаза последующего обучения программой 
BrainMaker 
сети с весами, показанными на рис. 5.79, при уровне 
толерантности 0,023. 
Результаты тестирования сети, обученной подобным образом, 
представлены на рис. 5.81 – 5.84, а значения весов этой сети - на рис. 
5.85.
 
Рис. 5.81. 
Результат тестирования нейронной сети, обученной 
программой 
BrainMaker 
с толерантностью 0,023 (рис. 5.80), для u
1
= 0, 
и
2
 = 
0 и d = 0. 
 
Рис. 5.62. 
Результат тестирования той же сети для 
и
1
 = 
0, 
и
2
= 1 и 
d
=1. 

---

А.Е. Кононюк Дискретно-непрерывная математика 
305 
 
Рис. 5.83. 
Результат тестирования той же сети для
 и
1
 = 
1, 
и
2
= 0 и 
d
=1. 
 
Рис. 5.84. 
Результат тестирования той же сети для 
и
1
 
= 1, u
2
= 1 и 
d 
= 0. 
 
Рис. 5.85. 
Веса нейронной сети, обученной программой 
BrainMaker 
с 
толерантностью 0,023 (рис. 5.80
).
Еще лучший результат обучения, который иллюстрируется рис. 5.86, 
удалось получить при толерантности 0,022.

---

А.Е. Кононюк Дискретно-непрерывная математика 
306 
 
Рис. 5.86. 
Итоговая фаза последующего обучения программой 
BrainMaker 
сети с весами, показанными на рис. 5.85, при уровне 
толерантности 0,022. 
Результаты тестирования сети, обученной подобным образом, 
представлены на рис. 5.87-5.90, а значения весов этой сети - на рис. 
5.91.